Abstract—We study algorithms for detecting and including
glass objects in an optimization-based Simultaneous
Localization and Mapping (SLAM) algorithm in this work.
When LiDAR data is the primary exteroceptive sensory input,
glass objects are not correctly registered. This occurs as the
incident light primarily passes through the glass objects or
reflects away from the source, resulting in inaccurate range
measurements for glass surfaces. Consequently, the
localization and mapping performance is
在本文中，我们探讨了一种基于SLAM（Simultaneous Localization and Mapping）的玻璃物体识别算法，特别是针对使用LiDAR（Light Detection and Ranging）数据的情况。由于光线透过或从玻璃物体反射开，导致激光测距数据不准确，使得玻璃表面的定位和映射性能受到影响，进而影响在包含玻璃元素的环境中导航的可靠性。
传统的优化型SLAM解决方案，也就是通常所说的图SLAM，被认为是当前的先进技术。然而，当主要的外部感知输入为LiDAR数据时，玻璃物体无法正确注册。为了克服这个问题，本文提出了一种简单且计算成本低的玻璃检测方法，用于识别玻璃物体，并阐述了如何将识别到的物体整合进像Google Cartographer这样的占用网格算法中。
我们设计了局部（子地图级别）和全局两种算法来实现这个目标，并与现有的采用粒子滤波器为基础的SLAM算法产生的地图进行了比较。SLAM算法的发展使得室内和室外环境的精确建模成为可能，尤其是随着LiDAR和摄像头等传感技术的进步，能够实现高精度的2D和3D环境重建。
然而，LiDAR在透明物体和反射表面存在的情况下表现不佳，这在现代建筑设计中是一个挑战。透明墙体和隔断越来越多地被用作美学和节能照明，因此，检测并纳入这些透明障碍物到地图中是必要的，以确保自主导航系统的安全性和准确性。
我们的方法通过改进SLAM框架，使得系统能更好地处理玻璃物体的存在，从而提高定位和映射的精确度。在局部算法中，我们可能采用快速检测策略，针对小范围的扫描数据进行分析，而全局算法则需要考虑整个场景的上下文信息，以识别更大的玻璃结构。这两种算法的结合使用，旨在提供更全面、更准确的环境模型。
通过对比实验，我们展示了我们的方法相对于传统方法在处理玻璃物体时的优势，提高了在有玻璃元素环境中的定位和导航性能。这种方法对于自动驾驶车辆、服务机器人以及其他需要在复杂环境中自主导航的系统具有重要的实际应用价值。未来的研究可能会进一步优化检测算法，提升在不同光照条件和复杂背景下的识别能力，以及探索如何将这种方法扩展到其他类型的透明或反光物体。
